📱สรุป DiabetesGuardian — ผู้ช่วยอัจฉริยะสำหรับผู้ป่วยเบาหวาน

หนูเริ่มสนใจทำหัวข้อนี้เพราะเห็นแชทครอบครัวที่พ่อกับแม่คุยกัน เรื่องที่ต้องเจอภาวะน้ำตาลฉุกเฉินแบบไม่ทันตั้งตัว และหลายแอปในปัจจุบันยังขาดการแจ้งเตือนที่ทันเวลาและแม่นยำ

รายละเอียดโปรเจค โปรเจคนี้หนูตั้งใจพัฒนาแอปพลิเคชันที่จะช่วยเตือนระดับน้ำตาลแบบเรียลไทม์ได้เลย แล้วถ้าระดับน้ำตาลต่ำเกินไป ก็จะแจ้งเตือนฉุกเฉินไปให้คนใกล้ชิดรู้ นอกจากนี้ แอปจะเรียนรู้พฤติกรรมของเรา เช่น กินอะไร นอนตอนไหน เครียดไหม แล้วจะเอาข้อมูลพวกนี้มาช่วยแนะนำว่าเราควรกินคาร์โบไฮเดรตเท่าไหร่ถึงจะดี แล้วก็ถ้าเรามี CGM หรือ Smartwatch ก็จะพยายามให้เชื่อมต่อกันได้ด้วย โดยที่จะใช้โมเดล LSTM กับ Kalman Smoothing

โดยโมเดลที่จะใช้ในการพัฒนาโปรเจคนี้คือโมเดล LSTM + Kalman Smoothing

และใช้ชุดข้อมูล CGMacros (PhysioNet), Awesome-CGM, Open Food Facts, USDA FoodData Central, Pima Indian Diabetes

บนแพลตฟอร์ม Python (TensorFlow/PyTorch)

ฟีเจอร์หลักๆ ที่คิดไว้ดังนี้

• พยากรณ์น้ำตาลล่วงหน้า: เดาแนวโน้มน้ำตาลจากข้อมูลสุขภาพและพฤติกรรมของเรา

• ปุ่ม SOS: กดปุ๊บ! แจ้งเตือนคนใกล้ชิดผ่าน LINE/SMS/Email ถ้าน้ำตาลต่ำ

• คำนวณน้ำตาลคร่าวๆ: ดูว่าพฤติกรรมกับอาหารที่เรากินมันจะส่งผลกับน้ำตาลยังไง

• แนะนำอาหาร: บอกว่าควรกินอะไร ปริมาณคาร์โบไฮเดรตเท่าไหร่ถึงจะเหมาะกับเรา

• ประเมินระดับเบาหวาน: บอกสถานะเราคร่าวๆ ว่าปกติ เสี่ยง หรือเป็นเบาหวานแล้ว

• เชื่อมต่อกับอุปกรณ์: พยายามดึงข้อมูลจาก Smartwatch หรือ CGM มาใช้ (อันนี้อาจจะยังทำไม่ได้ค่ะ เนื่องจากไม่มีอุปกรณ์)

ตัวอย่างบทความที่คล้ายคลึงกันกับโปรเจคนี้

1. Prediction of Blood Glucose Level by using an LSTM based Recurrent Neural Network

บทความนี้ใช้โมเดล LSTM (Long Short-Term Memory) เพื่อพยากรณ์ระดับน้ำตาลในเลือดของผู้ป่วยเบาหวาน โดยอาศัยข้อมูลที่วัดจากเครื่องตรวจน้ำตาล (SMBG)

• ใช้ข้อมูลจากผู้ป่วยเบาหวานชนิดที่ 2 เก็บข้อมูลน้ำตาล 4 ครั้ง/วัน

• ใช้โมเดล LSTM ทำนายค่าในอนาคต

• แบ่งข้อมูลเป็น train 80%, test 20%

• ใช้ Adam Optimizer และ RMSE วัดความแม่นยำ

ผลลัพธ์

• ค่า RMSE ประมาณ 18.79 mg/dL

• สามารถทำนายได้แม่นพอสมควร

ข้อดี

• ใช้โมเดล LSTM ที่เหมาะกับข้อมูลลำดับเวลา

• ทำงานกับข้อมูลจริงของผู้ป่วย

• เหมาะกับการเริ่มต้นพัฒนาโมเดล AI ด้านสุขภาพ

ข้อจำกัด

• ใช้ข้อมูลจาก SMBG เท่านั้น (ไม่ใช่ CGM)

• ไม่ใช่ระบบแบบ real-time

• ไม่มีการเชื่อมโยงกับพฤติกรรม เช่น อาหาร หรือกิจกรรม

https://ieeexplore.ieee.org/document/9167734ieeexplore.ieee.org

3MB

Prediction_of_Blood_Glucose_Level_by_using_an_LSTM_based_Recurrent_Neural_networks.pdf

pdf

2. Stacked LSTM with Kalman Smoothing for Blood Glucose Prediction

บทความนี้พัฒนาโมเดล Stacked LSTM (LSTM หลายชั้น) พร้อมใช้เทคนิค Kalman Smoothing เพื่อช่วยให้ข้อมูลจาก CGM ที่มี noise แม่นยำขึ้น

• ใช้ข้อมูลจากผู้ป่วยจริงในชุด OhioT1DM Dataset

• ข้อมูล: น้ำตาล (CGM), คาร์บ, อินซูลิน, จำนวนก้าว

• ใช้ Kalman smoothing ปรับค่าก่อนป้อนเข้า LSTM

• ประเมินผลด้วย RMSE และ MAE

ผลลัพธ์

• ค่า RMSE ลดลงเหลือ 5.89 mg/dL (จากเดิม 18+)

• แม่นยำกว่าวิธีทั่วไปอย่าง RNN หรือ GRU

ข้อดี

• ลด noise ได้ดีมาก

• ใช้หลายแหล่งข้อมูลประกอบ เช่น คาร์โบ อินซูลิน

• เหมาะกับพัฒนาโมเดล AI ที่แม่นยำสูง

ข้อจำกัด

• ใช้ข้อมูลจากผู้ป่วยเพียง 6 คน

• ยังไม่พร้อมสำหรับใช้แบบเรียลไทม์จริง

• ไม่มีระบบแจ้งเตือนหรือแนะนำอาหาร

Stacked LSTM Based Deep Recurrent Neural Network with Kalman...arXiv.org

1MB

Stacked LSTM Based Deep Recurrent Neural Network with Kalman.pdf

pdf

3. Mobile SDK for Real-Time Blood Glucose Prediction

บทความนี้พัฒนา ชุดพัฒนาโปรแกรม (SDK) สำหรับแอปมือถือ เพื่อเชื่อมข้อมูลจากอุปกรณ์ต่าง ๆ (เช่น CGM, สมาร์ตวอทช์, แอปสุขภาพ) แล้วนำไปพยากรณ์ระดับน้ำตาลแบบเรียลไทม์

• SDK ดึงข้อมูลจาก HealthKit, Apple Watch, Oura Ring ฯลฯ

• ใช้ Ridge Regression เป็นตัวอย่างโมเดล

• ทดสอบกับอาสาสมัคร 1 คน ตลอด 24 ชม.

• พยากรณ์ล่วงหน้าได้ 30-60 นาที

ผลลัพธ์

• พยากรณ์ได้แม่นกว่าการใช้เฉพาะ CGM

• ดึงข้อมูลแบบเรียลไทม์สำเร็จ

ข้อดี

• ไม่ต้องให้ผู้ใช้กรอกข้อมูลเอง

• รองรับอุปกรณ์สุขภาพจริง

• SDK นำไปพัฒนาแอปอื่นต่อได้

ข้อจำกัด

• ทดลองกับผู้ใช้เพียง 1 คน

• ยังใช้โมเดลพื้นฐาน (Ridge)

• ไม่รวม AI ล้ำลึกแบบ LSTM ภายใน SDK

Mobile Software Development Kit for Real Time Multivariate Blood Glucose Prediction - IEEE Access %IEEE Access

https://ieeexplore.ieee.org/document/10379644ieeexplore.ieee.org

1MB

Mobile_Software_Development_Kit_for_Real_Time_Multivariate_Blood_Glucose_Prediction.pdf

pdf

4. Sugarmate (แอปติดตามระดับน้ำตาลพร้อมระบบแจ้งเตือน)

Sugarmate เป็นแอปพลิเคชันบนมือถือที่ทำงานร่วมกับ CGM (Continuous Glucose Monitor) เช่น Dexcom เพื่อแสดงระดับน้ำตาลในเลือดแบบเรียลไทม์ พร้อมระบบแจ้งเตือนเมื่อระดับน้ำตาลต่ำหรือสูงเกินไป โดยเน้นการ แจ้งเตือนฉุกเฉิน ไปยังผู้ดูแล เช่น โทรศัพท์อัตโนมัติ หรือข้อความ

• ดึงข้อมูลแบบ real-time จาก CGM (เช่น Dexcom G6) ผ่านระบบ Cloud

• แสดงกราฟและตัวเลขน้ำตาลในเลือดบนแอป

• ส่งการแจ้งเตือนผ่านเสียง, pop-up, หรือโทรหาเบอร์ฉุกเฉินที่ตั้งไว้

• สามารถตั้งเงื่อนไขการแจ้งเตือนได้เอง เช่น ระดับต่ำกว่า 70 mg/dL

• เชื่อมกับ Apple Calendar, Siri Shortcuts, หรืออุปกรณ์อื่น ๆ ได้

ผลลัพธ์ (จากประสบการณ์ผู้ใช้)

• ช่วยให้ผู้ดูแลทราบสถานะผู้ป่วยได้ทันทีเมื่อน้ำตาลผิดปกติ

• เพิ่มความปลอดภัยสำหรับผู้ป่วยโดยเฉพาะกรณีอยู่คนเดียว

• ใช้งานร่วมกับ Dexcom ได้แบบ seamless (ไม่ต้องสแกนเอง)

ข้อดี

• รองรับการ แจ้งเตือนอัตโนมัติ เมื่อระดับน้ำตาลผิดปกติ

• เชื่อมกับ CGM ได้แบบ real-time

• มีระบบโทรแจ้งเตือนผู้ดูแล (unique feature)

• อินเตอร์เฟซใช้งานง่าย และสามารถปรับแต่งการแจ้งเตือนได้

• ฟรี ไม่มีค่าใช้จ่าย

ข้อจำกัด

• ใช้ได้กับ Dexcom เท่านั้น (ไม่รองรับ CGM ยี่ห้ออื่น เช่น Libre)

• ไม่มีระบบ พยากรณ์ระดับน้ำตาลในอนาคต

• ไม่มีระบบแนะนำอาหารหรือการบริโภค

• ไม่สามารถปรับการแจ้งเตือนอิงตามพฤติกรรมหรือมื้ออาหาร

• ไม่สามารถใช้แบบ offline (ต้องเชื่อมต่ออินเทอร์เน็ตตลอดเวลา)

Get StartedSugarmate

5. mySugr (แอปติดตามเบาหวานโดย Roche Diagnostics)

mySugr เป็นแอปพลิเคชันมือถือที่ออกแบบมาเพื่อช่วยให้ผู้ป่วยเบาหวานสามารถ ติดตามระดับน้ำตาลในเลือด และพฤติกรรมสุขภาพอื่น ๆ ได้อย่างสะดวก โดยสามารถเชื่อมต่อกับอุปกรณ์ตรวจน้ำตาล เช่น Accu-Chek เพื่อดึงข้อมูลอัตโนมัติ และประเมินค่า HbA1c โดยประมาณ

• ผู้ใช้สามารถบันทึกข้อมูลน้ำตาลในเลือด, คาร์โบไฮเดรต, อินซูลิน, และกิจกรรมในแต่ละวัน

• เชื่อมต่อกับ Accu-Chek Guide / Instant ผ่าน Bluetooth

• ประมวลผลและแสดง กราฟแนวโน้มระดับน้ำตาล

• ประเมินค่า HbA1c ตามค่าที่ผู้ใช้กรอกหรือนำเข้ามา

• ส่งออกรายงานในรูปแบบ PDF สำหรับส่งให้แพทย์หรือผู้ดูแล

ผลลัพธ์ (จากการใช้งานทั่วไป)

• ผู้ใช้สามารถติดตามสุขภาพได้ง่ายขึ้น

• ลดภาระในการบันทึกข้อมูลด้วยระบบเชื่อมต่ออุปกรณ์

• ช่วยให้แพทย์เห็นแนวโน้มของระดับน้ำตาลระยะยาวได้ชัดเจนขึ้น

ข้อดี

• ใช้งานง่าย เหมาะกับผู้ป่วยเบาหวานทั่วไป

• เชื่อมต่อกับ Accu-Chek ได้แบบอัตโนมัติ

• แสดง กราฟภาพรวม และค่าเฉลี่ยต่าง ๆ ได้สวยงาม

• สามารถ ส่งออกข้อมูล ไปให้แพทย์ได้ง่าย

• มีระบบ gamification (เช่น monster points) เพื่อจูงใจผู้ใช้

ข้อจำกัด

• ไม่มีระบบแจ้งเตือนฉุกเฉิน เช่น เมื่อระดับน้ำตาลต่ำมาก

• ไม่มีการ พยากรณ์ล่วงหน้า ด้วย AI หรือโมเดลเชิงลึก

• ไม่สามารถแนะนำอาหารหรือพฤติกรรมเฉพาะบุคคล

• ใช้งานได้เต็มที่เมื่อเชื่อมกับอุปกรณ์ Accu-Chek เท่านั้น

• ไม่มีระบบสื่อสารกับผู้ดูแลโดยตรง (ไม่มีปุ่ม SOS หรือโทรแจ้ง)

แอปพลิเคชัน mySugr

mySugr Global - Make Diabetes Suck Less

---

ตารางการเปรียบเทียบความแตกต่างระหว่างบทความทั้ง 5 ข้างต้น

หัวข้อ	LSTM-RNN (IEEE 2020)	Stacked LSTM + Kalman	Mobile SDK (IEEE 2024)	Sugarmate	mySugr
วัตถุประสงค์	พยากรณ์ระดับน้ำตาลในอนาคต	พยากรณ์แม่นยำจาก CGM + พฤติกรรม	สร้าง SDK พยากรณ์แบบ real-time	แจ้งเตือนฉุกเฉินเมื่อระดับน้ำตาลต่ำ/สูง	ติดตามสุขภาพและแนวโน้มระดับน้ำตาล
ชุดข้อมูล (Dataset)	SMBG จากผู้ป่วยเบาหวานชนิดที่ 2	OhioT1DM	Apple Health + OhioT1DM	Dexcom (ผ่าน Cloud)	Accu-Chek, บันทึกด้วยตนเอง
ขนาดชุดข้อมูล	ไม่ระบุ	ผู้ป่วย 6 คน (8 สัปดาห์)	ทดสอบ 1 คนจริง + OhioT1DM	ไม่เปิดเผย	ไม่เปิดเผย
โมเดล (Model)	LSTM (1 ชั้น)	Stacked LSTM + Kalman Smoothing	Ridge Regression (โมเดลเบื้องต้น)	ไม่มีโมเดล AI	ไม่มีโมเดล AI
การทำงาน	ทำนายระดับน้ำตาลล่วงหน้า	ทำนายล่วงหน้า + ลด noise	SDK ดึงข้อมูลสุขภาพจริงแล้วพยากรณ์	แจ้งเตือนอัตโนมัติแบบโทรศัพท์/SMS	บันทึกข้อมูล, ประเมิน HbA1c, ส่งรายงาน
ความแม่นยำ (Accuracy)	RMSE ≈ 18.79 mg/dL	RMSE ลดเหลือ 5.89 mg/dL	ดีกว่า baseline (ไม่ได้ระบุ RMSE)	ขึ้นอยู่กับ CGM เดิม (Dexcom G6)	ขึ้นอยู่กับการกรอกข้อมูลหรือเครื่อง Accu-Chek
การใช้งาน	งานวิจัย / จำลอง	งานวิจัย / จำลอง	นักพัฒนาสามารถนำ SDK ไปสร้างแอป	ผู้ใช้ทั่วไปที่ใช้ Dexcom	ผู้ใช้ทั่วไป โดยเฉพาะคนใช้ Accu-Chek
ข้อดี	ใช้ LSTM กับข้อมูลจริง	แม่นยำสูง ลด noise ได้ดี	รองรับหลายอุปกรณ์, ไม่ต้องกรอกเอง	แจ้งเตือนฉุกเฉินแบบโทรได้	ใช้งานง่าย, ส่งออกข้อมูลได้
ข้อเสีย	ไม่มี CGM, ไม่ real-time	ข้อมูลจำกัด, ใช้ offline smoothing	ใช้โมเดลง่าย, ทดลองแค่คนเดียว	ไม่ทำนาย, ไม่มีคำแนะนำ	ไม่มีแจ้งเตือนฉุกเฉิน, ไม่มี AI
การประยุกต์ใช้	พัฒนาระบบทำนาย AI เบื้องต้น	ใช้เป็นฐานสร้างระบบ AI ที่แม่นยำ	ใช้สร้างแอปที่รวมอุปกรณ์สุขภาพ	เสริมความปลอดภัยให้ผู้ป่วย	ติดตามสุขภาพระยะยาวแบบง่าย

เปรียบเทียบความแตกต่างระหว่างโปรเจคของฉันกับบทความที่เกี่ยวข้อง

1. การรวมหลายฟีเจอร์ในระบบเดียว

• บทความที่ยกตัวอย่างมา: โดยมากเน้นเพียงด้านเดียว เช่น การพยากรณ์ (LSTM, SDK) หรือการแจ้งเตือน (Sugarmate)

• โปรเจคของฉัน: รวมทุกฟีเจอร์ไว้ในระบบเดียว ได้แก่ พยากรณ์ระดับน้ำตาล, แจ้งเตือนผู้ดูแล, วิเคราะห์พฤติกรรม, แนะนำอาหาร, ประเมินระดับเบาหวาน และเชื่อมต่ออุปกรณ์ได้

2. การวิเคราะห์พฤติกรรมของผู้ใช้

• บทความที่ยกตัวอย่างมา: ยังไม่มีงานใดที่นำข้อมูลเช่น การนอน ความเครียด หรือการออกกำลังกายมาใช้

• โปรเจคของฉัน: นำข้อมูลพฤติกรรมมาวิเคราะห์ร่วมกับข้อมูล CGM เพื่อช่วยแนะนำอาหารและคาดการณ์น้ำตาลได้แม่นยำยิ่งขึ้น

3. การแจ้งเตือนแบบอัตโนมัติ

• บทความที่ยกตัวอย่างมา: Sugarmate มีแจ้งเตือน แต่ไม่รองรับทุก CGM และต้องเชื่อม Dexcom เท่านั้น / mySugr ไม่มีแจ้งเตือน

• โปรเจคของฉัน: แจ้งเตือนฉุกเฉินผ่าน LINE / SMS / Email อัตโนมัติเมื่อน้ำตาลต่ำ และมีปุ่มกดแจ้งเตือนผู้ดูแลในกรณีฉุกเฉิน

4. การให้คำแนะนำด้านโภชนาการแบบเฉพาะบุคคล

• บทความที่ยกตัวอย่างมา: ไม่มีแอปหรือบทความใดที่แนะนำอาหารตามระดับน้ำตาลแบบรายบุคคล

• โปรเจคของฉัน: ระบบแนะนำอาหารหรือปริมาณคาร์โบไฮเดรตจากข้อมูลการกิน + ระดับน้ำตาล + พฤติกรรมเฉพาะของผู้ใช้

5. การเลือกใช้โมเดล AI

• บทความที่ยกตัวอย่างมา: ใช้ LSTM หรือโมเดลธรรมดา เช่น Ridge Regression (SDK)

• โปรเจคของฉัน: ใช้ LSTM ร่วมกับ Kalman Smoothing เพื่อความแม่นยำและเสถียรภาพของค่าพยากรณ์ในโลกจริง

6. การเชื่อมต่อกับอุปกรณ์และฐานข้อมูลภายนอก

• บทความที่ยกตัวอย่างมา: ส่วนใหญ่จำลองหรือเชื่อมกับอุปกรณ์เดียว (เช่น Dexcom)

• โปรเจคของฉัน: รองรับทั้ง Smartwatch / CGM / อุปกรณ์สุขภาพ พร้อมเชื่อมกับ Open Food Facts และ USDA FoodData Central เพื่อประมวลผลโภชนาการอัตโนมัติ

7. ความยืดหยุ่นและต่อยอดในอนาคต

• บทความที่ยกตัวอย่างมา: ส่วนใหญ่ยังเป็นงานวิจัยหรือแอปจำกัดขอบเขต

• โปรเจคของฉัน: มีความสามารถในการขยาย เช่น เพิ่ม AI, รองรับอุปกรณ์ใหม่, ปรับให้เข้ากับบุคคลได้ง่ายในอนาคต

สรุป

โปรเจคของหนู มีความแตกต่างจากบทความที่เกี่ยวข้องอย่างชัดเจน ด้วยระบบครบวงจรที่ผสานการพยากรณ์ระดับน้ำตาลด้วย AI (LSTM + Kalman Smoothing), การแจ้งเตือนฉุกเฉิน, การวิเคราะห์พฤติกรรมเพื่อแนะนำอาหารเฉพาะบุคคลจากฐานข้อมูลจริง และการเชื่อมต่อกับอุปกรณ์สุขภาพ ทำให้ผู้ป่วยสามารถจัดการระดับน้ำตาลได้อย่างมีประสิทธิภาพและปลอดภัยยิ่งขึ้น ซึ่งแตกต่างจากงานวิจัยส่วนใหญ่ที่ยังอยู่ในระดับทดลอง และแอปทั่วไปที่ยังขาดฟีเจอร์สำคัญ ทำให้โปรเจคนี้โดดเด่นในด้านความแม่นยำ, ใช้งานได้จริง, รองรับการขยายในอนาคต และช่วยลดความเสี่ยงของภาวะฉุกเฉิน